Affine层
正向传播的时候,偏置会被加到每一个数据(第1个、第2个)上。因此,反向传播时:
各个数据的反向传播的值需要汇总为偏置的元素。–?
import numpy as np
class Affine:
def __init__(self, W, b):
self.w = W
self.b = b
self.x = None
self.dW = None
self.db = None
def forward(self, x):
self.x = x
out = np.dot(x, self.W) + self.b
return out
def backward(self, dout):
dx = np.dot(dout, self.W.T)#转置
self.dW = np.dot(self.x.T, dout)#矩阵乘积
self.dB = np.sum(dout, axis=0) #对0轴方向上的元素进行求和
return dx
softmax层
softmax层将输入值正规化(将输出值的和调整为1)之后再输出。使用交叉熵误差作为softmax的损失函数
softmax层的反向传播得到(y1-t1,y2-t2,y3-t3)y为输出,t为监督数据
神经网络的学习的目的就是通过调整权重参数,使神经网络的输出接近正确的标签
神经网络:
神经网络中有合适的权重和偏置。调整权重和偏置以便拟合训练数据的过程称为学习,有以下几个步骤:
1.从训练数据中随机选择一部分数据
2.计算损失函数关于各个权重参数的梯度
3.将权重参数沿梯度方向进行微小的更新
4.重复步骤1、2、3
误差反向传播法的神经网络实现:
import sys, os
sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定
import numpy as np
from common.layers import *
from common.gradient import numerical_gradient
from collections import OrderedDict
class TwoLayerNet:
#输入层的神经元数、隐藏层的神经元数、输出层的神经元数、初始化权重时的高斯分布的规模
def __init__(self, input_size, hidden_size, output_size, weight_init_std = 0.01):
# 初始化权重 param保存神经网络的参数的字典型变量
self.params = {}
self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
self.params['b1'] = np.zeros(hidden_size)
self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
self.params['b2'] = np.zeros(output_size)
# 生成层 保存神经网络的层的有序字典型变量
self.layers = OrderedDict()
self.layers['Affine1'] = Affine(self.params['W1'], self.params['b1'])
self.layers['Relu1'] = Relu()
self.layers['Affine2'] = Affine(self.params['W2'], self.params['b2'])
self.lastLayer = SoftmaxWithLoss()
#x是图像数据
def predict(self, x):
for layer in self.layers.values():
x = layer.forward(x)
return x
# x:输入数据, t:监督数据
def loss(self, x, t):
y = self.predict(x)
return self.lastLayer.forward(y, t)
def accuracy(self, x, t):
y = self.predict(x)
y = np.argmax(y, axis=1)
if t.ndim != 1 : t = np.argmax(t, axis=1)
accuracy = np.sum(y == t) / float(x.shape[0])
return accuracy
# x:输入数据, t:监督数据
def numerical_gradient(self, x, t):
loss_W = lambda W: self.loss(x, t)
grads = {}
grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
return grads
#通过误差反向传播法计算关于权重参数的梯度
def gradient(self, x, t):
# forward
self.loss(x, t)
# backward
dout = 1
dout = self.lastLayer.backward(dout)
layers = list(self.layers.values())
layers.reverse()
for layer in layers:
dout = layer.backward(dout)
# 设定
grads = {}
grads['W1'], grads['b1'] = self.layers['Affine1'].dW, self.layers['Affine1'].db
grads['W2'], grads['b2'] = self.layers['Affine2'].dW, self.layers['Affine2'].db
return grads
误差反向传播法的梯度确认
求梯度有两种方法:数值微分和误差反向传播法。
数值微分法优点:实现简单,不太容易出错,而误差反向传播法的实现很复杂,容易出错。
所以经常比较数值微分的结果和误差反向传播法的结果,以确认误差反向传播法求出的结果是否一致–梯度确认
#求各个权重的绝对误差的平均值
for key in grad_numerical.keys():
diff = np.average( np.abs(grad_backprop[key] - grad_numerical[key]) )
print(key + ":" + str(diff))